numpy.mean

numpy.mean(a, axis=None, dtype=None, out=None, keepdims=False) [source]

Вычисление среднеарифметического значения по указанной оси.

Возвращает среднее значение элементов массива. Среднее значение вычисляется по уплощенному массиву по умолчанию, в противном случае — по указанной оси. float64 промежуточные и возвращаемые значения используются для целочисленных входных данных.

Параметры:

a : array_like Массив, содержащий числа, среднее значение которых требуется. Если a не является массивом, производится попытка преобразования. axis : None или int или кортеж из целых чисел, необязательно Ось или оси, по которым вычисляются средние значения. По умолчанию вычисляется среднее значение уплощенного массива. Если это кортеж из целых чисел, вычисляется среднее значение по нескольким осям вместо одной оси или всех осей, как раньше. dtype : тип данных, необязательно Тип, используемый при вычислении среднего значения. Для целочисленных входных данных по умолчанию используется float64; для чисел с плавающей точкой — такой же, как и тип входных данных. out : ndarray, необязательно Альтернативный массив вывода, в который поместить результат. По умолчанию None; если указан, он должен иметь такую же форму, как и ожидаемый результат, но тип будет преобразован при необходимости. См. doc.ufuncs для получения подробностей. keepdims : bool, необязательно Если установлено в True, оси, которые были уменьшены, остаются в результате как измерения с размером один. С этим параметром результат будет корректно транслироваться относительно исходного arr.

Возвращаемое значение:

m : ndarray, см. параметр dtype выше Если out=None, возвращает новый массив, содержащий средние значения, в противном случае возвращается ссылка на массив вывода.

См. также

average

Взвешенное среднее значение

std, var, nanmean, nanstd, nanvar

Примечания

Среднеарифметическое значение — это сумма элементов по оси, деленная на количество элементов.

Обратите внимание, что для чисел с плавающей точкой среднее значение вычисляется с той же точностью, что и входные данные. В зависимости от входных данных это может привести к неточным результатам, особенно для float32 (см. пример ниже). Использование накопителя с большей точностью с помощью параметра dtype может решить эту проблему.

Примеры

>>> a = np.array([[1, 2], [3, 4]])
>>> np.mean(a)
2.5
>>> np.mean(a, axis=0)
array([ 2.,  3.])
>>> np.mean(a, axis=1)
array([ 1.5,  3.5])

В одинарной точности, mean может быть неточным:

>>> a = np.zeros((2, 512*512), dtype=np.float32)
>>> a[0, :] = 1.0
>>> a[1, :] = 0.1
>>> np.mean(a)
0.546875

Вычисление среднего значения в формате float64 более точно:

>>> np.mean(a, dtype=np.float64)
0.55000000074505806